論文の概要: Automatic Logical Forms improve fidelity in Table-to-Text generation

• arxiv url: http://arxiv.org/abs/2310.17279v2
• Date: Tue, 9 Jan 2024 10:23:20 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-10 19:46:16.382825
• Title: Automatic Logical Forms improve fidelity in Table-to-Text generation
• Title（参考訳）: テーブル・ツー・テキスト生成における自動論理形式の改良
• Authors: I\~nigo Alonso, Eneko Agirre
• Abstract要約: テーブル・トゥ・テキストシステムはテーブルのような構造化データから自然言語文を生成する。 LFを使用せず,システム上で30ポイントの忠実度を向上することにより,自動LFの品質が向上することを示す。
• 参考スコア（独自算出の注目度）: 20.546146886732448
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Table-to-text systems generate natural language statements from structured data like tables. While end-to-end techniques suffer from low factual correctness (fidelity), a previous study reported gains when using manual logical forms (LF) that represent the selected content and the semantics of the target text. Given the manual step, it was not clear whether automatic LFs would be effective, or whether the improvement came from content selection alone. We present TlT which, given a table and a selection of the content, first produces LFs and then the textual statement. We show for the first time that automatic LFs improve quality, with an increase in fidelity of 30 points over a comparable system not using LFs. Our experiments allow to quantify the remaining challenges for high factual correctness, with automatic selection of content coming first, followed by better Logic-to-Text generation and, to a lesser extent, better Table-to-Logic parsing.
• Abstract（参考訳）: テーブル・トゥ・テキストシステムはテーブルのような構造化データから自然言語文を生成する。 エンド・ツー・エンドの技術は事実の正確性(忠実性)が低いが、以前の研究では、選択されたコンテンツと対象テキストの意味を表現した手動論理形式(lf)を使用することで得られると報告した。 手動のステップを考えると、自動lfが効果的かどうか、あるいはコンテンツ選択のみによる改善なのかは明らかでない。 テーブルとコンテンツの選択を与えられたTlTは、まずLFを生成し、次にテキストステートメントを生成します。 LFを使用せず,システム上で30ポイントの忠実度を向上することにより,自動LFの品質が向上することを示す。 実験により、まずコンテンツの自動選択を行い、続いてLogic-to-Text生成が改善され、より少ない範囲でTable-to-Logic解析が改善される。

関連論文リスト

• Localizing Factual Inconsistencies in Attributable Text Generation [91.981439746404]
  本稿では,帰属可能なテキスト生成における事実の不整合をローカライズするための新しい形式であるQASemConsistencyを紹介する。 まず,人間のアノテーションに対するQASemConsistency法の有効性を示す。 そこで我々は,局所的な事実の不整合を自動的に検出するいくつかの手法を実装した。
  論文  参考訳（メタデータ） (2024-10-09T22:53:48Z)
• Improving Attributed Text Generation of Large Language Models via Preference Learning [28.09715554543885]
  属性タスクを選好学習としてモデル化し,自動選好最適化フレームワークを導入する。 APOは、回答品質の高い最先端の引用F1を達成する。
  論文  参考訳（メタデータ） (2024-03-27T09:19:13Z)
• TDeLTA: A Light-weight and Robust Table Detection Method based on Learning Text Arrangement [34.73880086005418]
  本稿では,学習テキストアレンジメント(TDeLTA)に基づく新しい,軽量で堅牢なテーブル検出手法を提案する。 表を正確に特定するために,表内の意味的役割に応じてテキストブロックを4つのカテゴリに分類するテキスト分類タスクを設計する。 いくつかの最先端の手法と比較して、TDeLTAは大規模な公開データセットの3.1Mモデルパラメータで競合する結果を得る。
  論文  参考訳（メタデータ） (2023-12-18T09:18:43Z)
• MURMUR: Modular Multi-Step Reasoning for Semi-Structured Data-to-Text Generation [102.20036684996248]
  多段階推論を用いた半構造化データからテキストを生成するための,ニューロシンボリックなモジュラーアプローチであるMURMURを提案する。 WebNLG や LogicNLG のような2つのデータ・テキスト生成タスクについて実験を行った。
  論文  参考訳（メタデータ） (2022-12-16T17:36:23Z)
• Towards Computationally Verifiable Semantic Grounding for Language Models [18.887697890538455]
  本論文は、エンティティ関係三重項の集合として形式化された所望のセマンティックメッセージが与えられた条件モデル生成テキストとしてLMを概念化する。 LMを自動エンコーダに埋め込むと、出力が入力メッセージと同じ表現領域にあるセマンティック・フラエンシに出力を送り込む。 提案手法は,グリーディ検索のベースラインを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2022-11-16T17:35:52Z)
• Mixed-modality Representation Learning and Pre-training for Joint Table-and-Text Retrieval in OpenQA [85.17249272519626]
  最適化された OpenQA Table-Text Retriever (OTTeR) を提案する。 検索中心の混合モード合成事前学習を行う。 OTTeRはOTT-QAデータセット上でのテーブル・アンド・テキスト検索の性能を大幅に改善する。
  論文  参考訳（メタデータ） (2022-10-11T07:04:39Z)
• PLOG: Table-to-Logic Pretraining for Logical Table-to-Text Generation [44.78200830757109]
  本稿では,PLOG(Pretrained Logical Form Generator)フレームワークを提案する。 PLOGはまずテーブル・ツー・論理形式生成タスクで事前訓練され、その後下流のテーブル・ツー・テキストタスクで微調整される。 PLOGは、テーブル-テキスト対よりもずっと確実に、テーブル-論理対から論理的推論を学ぶことができる。
  論文  参考訳（メタデータ） (2022-05-25T11:55:54Z)
• LOGEN: Few-shot Logical Knowledge-Conditioned Text Generation with Self-training [76.90793623822866]
  数ショット設定で論理的知識条件付きテキスト生成のための統一的なフレームワークを提案する。 本手法は, 自己学習を利用して, コンテンツと構造整合性に基づく擬似論理形式を抽出する。
  論文  参考訳（メタデータ） (2021-12-02T16:49:41Z)
• Generating Diverse and Consistent QA pairs from Contexts with Information-Maximizing Hierarchical Conditional VAEs [62.71505254770827]
  非構造化テキストを文脈として与えられたQAペアを生成するための条件付き変分オートエンコーダ(HCVAE)を提案する。 我々のモデルは、トレーニングにわずかなデータしか使わず、両方のタスクの全てのベースラインに対して印象的なパフォーマンス向上が得られる。
  論文  参考訳（メタデータ） (2020-05-28T08:26:06Z)
• Towards Faithful Neural Table-to-Text Generation with Content-Matching Constraints [63.84063384518667]
  そこで本研究では,トランスフォーマーをベースとした新たな生成フレームワークを提案する。 忠実度を強制する手法の中核となる技術は、テーブル-テキストの最適トランスポート・マッチング・ロスである。 忠実度を評価するため,テーブル・ツー・テキスト生成問題に特化した新しい自動尺度を提案する。
  論文  参考訳（メタデータ） (2020-05-03T02:54:26Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。